机器学习及其应用2015-网络科技-文化科教-太极之巅书单号

书刊介绍

机器学习及其应用2015 内容简介

本书是对第十一届和十二届中国机器学习及其应用研讨会的一个总结，共邀请了会议中的10位专家就其研究领域撰文，以综述的形式探讨了机器学习不同分支及相关领域的研究进展。全书共分10章，内容分别涉及稀疏学习、众包数据中的隐类别分析、演化优化、深度学习、半监督支持向量机、差分隐私保护等技术，以及机器学习在图像质量评价、图像语义分割、多模态图像分析等方面的应用，此外，还介绍了新硬件寒武纪神经网络计算机的研究进展。本书可供计算机、自动化及相关专业的研究人员、教师、研究生和工程技术人员参考。

机器学习及其应用2015 本书特色

高新波、张军平主编的《机器学习及其应用（2015）》是对第十一届和十二届中国机器学习及其应用研讨会的一个总结，共邀请了会议中的10位专家就其研究领域撰文，以综述的形式探讨了机器学习不同分支及相关领域的研究进展。全书共分10章，内容分别涉及稀疏学习、众包数据中的隐类别分析、演化优化、深度学习、半监督支持向量机、差分隐私保护等技术，以及机器学习在图像质量评价、图像语义分割、多模态图像分析等方面的应用，此外，还介绍了新硬件寒武纪神经网络计算机的研究进展。本书可供计算机、自动化及相关专业的研究人员、教师、研究生和工程技术人员参考。

机器学习及其应用2015 目录

稀疏学习在多任务学习中的应用 1 引言 2 鲁棒多任务特征学习 3 多阶段多任务特征学习 4 结语参考文献众包数据标注中的隐类别分析 1 引言 2 众包标注问题 3 标注整合的几种基本模型 3.1 多数投票模型 3.2 混淆矩阵模型 4 众包标注中的隐类别结构 5 隐类别估计 6 实验表现 7 结语参考文献演化优化的理论研究进展 1 引言 2 演化优化算法 3 演化优化的理论发展 4 运行时间分析方法 5 逼近性能分析 6 算法参数分析 7 结语参考文献基于贝叶斯卷积网络的深度学习算法 1 引言 2 多层稀疏因子分析 2.1 单层模型 2.2 抽取和*大池化 2.3 模型特征和可视化 3 层次化贝叶斯分析 3.1 层级结构 3.2 计算 3.3 贝叶斯输出的应用 3.4 与之前模型的相关性 4 推理中发掘卷积 4.1 gibbs采样 4.2 vb推理 4.3 在线vb 5 实验结果 5.1 参数设定 5.2 合成数据以及mnist数据 5.3 caltech 101数据分析 5.4 每层的激活情况 5.5 稀疏性 5.6 对于caltech 101的分类 5.7 在线vb和梵·高油画分析 6 结语参考文献半监督支持向量机学习方法的研究 1 引言 2 半监督支持向量机简介 3 半监督支持向量机学习方法 3.1 多：用于多训练示例的大规模半监督支持向量机 3.2 快：用于提升学习效率的快速半监督支持向量机 3.3 好：用于提供性能保障的安全半监督支持向量机 3.4 省：用于代价抑制的代价敏感半监督支持向量机 4 结语参考文献差分隐私保护的机器学习 1 引言 2 相关定义及性质 3 常用机制 4 针对光滑查询的隐私保护机制 5 实验结果 6 结语参考文献学习无参考型图像质量评价方法研究 1 引言 2 基于特征表示的图像质量评价方法 2.1 基于特征降维的无参考型图像质量评价方法 2.2 基于图像块学习的无参考型图像质量评价方法 2.3 基于稀疏表示的无参考型图像质量评价方法 3 基于回归分析的图像质量评价方法 3.1 基于支撑矢量回归的无参考型图像质量评价方法 3.2 基于神经网络的无参考型图像质量评价方法 3.3 基于多核学习的无参考型图像质量评价方法 4 基于贝叶斯推理的图像质量评价方法 4.1 简单概率模型图像质量评价方法 4.2 基于主题概率模型的图像质量评价方法 4.3 基于深度学习的图像质量评价方法 5 实验结果 6 结语参考文献图像语义分割 1 引言 2 无监督图像区域分割 3 全监督语义分割方法 3.1 基于多尺度分割的语义分割方法 3.2 基于多特征融合的语义分割方法 3.3 基于深度网络的语义分割方法 4 弱监督语义分割方法 4.1 带bounding box训练图像数据 4.2 有精确图像层标签的训练图像数据 4.3 带噪声标签的训练图像数据 5 面向语义图像分割的常用数据集 6 不同监督条件下state of the art方法对比 7 结语参考文献机器学习在多模态脑图像分析中的应用 1 引言 2 流形正则化多任务特征学习 3 多模态流形正则化迁移学习 4 视图中心化的多图谱分类 5 实验结果 5.1 流形正则化多任务特征学习 5.2 多模态流形正则化迁移学习 5.3 视图中心化的多图谱分类 6 结语参考文献寒武纪神经网络计算机 1 人工神经网络 2 曾经的失败 2.1 算法：svm的崛起 2.2 应用：认知任务被忽略 2.3 工艺：通用处理器享受摩尔定律红利 3 神经网络计算机的涅槃 3.1 算法：深度学习的有效训练算法 3.2 应用：认知任务的普遍化 3.3 工艺：暗硅时代的到来 3.4 第二代神经网络的兴起 4 主要挑战 5 寒武纪神经网络（机器学习）处理器 5.1 diannao 5.2 dadiannao 5.3 pudiannao 6 未来工作参考文献